Когнитивные технологии визуального распознавания фишинговых интерфейсов в цифровых коммуникационных системах

Ссылка для цитирования:

Волокитина Т.С., Таныгин М.О. Когнитивные технологии визуального распознавания фишинговых интерфейсов в цифровых коммуникационных системах // Оптический журнал. 2026. Т. 93. № 6. С. 58–68. http://doi.org/10.17586/1023-5086-2026-93-06-58-68

Volokitina T.S., Tanygin M.O. Cognitive technologies for visual recognition of phishing interfaces in digital communication systems [in Russian] // Opticheskii Zhurnal. 2026. V. 93. № 6. P. 58–68. http://doi.org/10.17586/1023-5086-2026-93-06-58-68

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Методы автоматического анализа скриншотов веб-интерфейсов для
детекции фишинговых атак в социальных сетях с применением классических дескрипторов изображений (гистограммы ориентированных градиентов, локальные бинарные паттерны, SIFT)
и глубоких свёрточных нейронных сетей (VGG-16, ResNet-50, Inception-V3). Цель работы — разработка системы визуального распознавания фишинговых интерфейсов на основе анализа скриншотов, обеспечивающей высокую точность классификации при приемлемых вычислительных затратах для развёртывания на платформах социальных сетей. Методы. Компьютерное зрение для
извлечения структурных (HOG), текстурных (LBP) и масштабно-инвариантных (SIFT) признаков
из скриншотов веб-страниц разрешением 1920×1080 пикселов; глубокое обучение с трансферным
обучением на предобученных весах ImageNet для трёх архитектур свёрточных нейронных сетей;
ансамблирование моделей с взвешенным голосованием; экспериментальная валидация на датасете из 5000 скриншотов российских веб-сервисов. Результаты работы. Сравнение классических
дескрипторов показало, что детектор SIFT обеспечивает наилучшую точность извлечения признаков — 81% при специфичности 90% — и был выбран как базовый метод первой группы. Среди глубоких архитектур наибольшую точность классификации продемонстрировал ResNet-50:
90% при времени, равном 187 миллисекундам. Ансамблирование трёх СНС с взвешенным голосованием позволило повысить точность до 92% при пропускной способности 95 изображений
в минуту на одном GPU. Применение трансферного обучения на весах ImageNet обеспечило
прирост точности на 2−4 процентных пункта при сокращении времени обучения в 2,5−5 раз.
Разработанная двухэтапная каскадная архитектура достигает точности 88,5% при среднем
времени обработки одной публикации, равном 239 миллисекундам, что в 2,6 раза превышает скорость полного ансамбля. Практическая значимость. Система обеспечивает детекцию фишинговых интерфейсов независимо от наличия URL в чёрных списках, сокращая критическое
окно уязвимости с 12–14 часов до 2 часов. Производительность 250 публикаций в минуту на
одном сервере позволяет масштабирование для платформ с миллионами активных пользователей при требовании 3 серверов для обработки 1000000 публикаций в день. Экспериментальная
валидация на данных социальной сети «Одноклассники» за 9 месяцев показала обнаружение
3000 угроз с предотвращением 44,5% кликов на вредоносные ссылки по сравнению с традиционными методами.

Ключевые слова:

визуальное распознавание, анализ скриншотов, фишинговые атаки, компьютерное зрение, гистограммы ориентированных градиентов, локальные бинарные паттерны, SIFT (Масштабно-инвариантная трансформация признаков), свёрточные нейронные сети, ансамблирование моделей

Благодарность:

авторы выражают признательность членам редколлегии Оптического журнала за замечания и рекомендации по усовершенствованию данной статьи.

Коды OCIS: 100.4996, 330.4270, 3000.35010

Список источников:

1. Селиверстов В.В., Корчагин С.А. Анализ актуальности и состояния современных фишинг-атак на объекты критической информационной инфраструктуры // Инженерный вестник Дона. 2024. № 6 (114). С. 17. https://www.ivdon.ru/ru/magazine/archive/n6y2024/9277

Seliverstov V.V., Korchagin S.A. Analysis of the relevance and state of modern phishing attacks on critical information infrastructure facilities // Engineering Bulletin of the Don. 2024. № 6 (114). P. 17. https://www.ivdon.ru/ru/magazine/archive/n6y2024/9277

2. Русских Е.И. Прошлое, настоящее и будущее фишинговых атак // Научный аспект. 2024. № 6. Самара: Изд-во «Аспект», 2024. Т. 47. С. 6015. Электронная копия доступна на сайте URL: https://na-journal.ru/pdf/nauchnyi_aspekt_6-2024_t47_web.pdf#page=99

Russkikh E.I. Past, present and future of phishing attacks // The scientific aspect. 2024. V. 47(6). P. 6015. Electronic copy available on the website URL: https://na-journal.ru/pdf/nauchnyi_aspekt_6-2024_t47_web.pdf#page=99

3. Назаров А.К. Некоторые современные средства защиты от киберугроз // Информационные и телекоммуникационные технологии в противодействии экстремизму и терроризму [Электронный ресурс]: Материалы Всерос. науч.-практ. конф. (24 мая 2024 г.) Электрон. дан. Краснодар: Краснодарский университет МВД России, 2024. 1 электрон. опт. Диск С. 76.

Nazarov A.K. Some modern means of protection against cyber threats // Information and telecommunication technologies in countering extremism and terrorism: Materials of the All-Russian Scientific and Practical Conference. Krasnodar: Krasnodar University of the Ministry of Internal Affairs of Russia, 2024. P. 76.

4. Токолов А.В. Социальная инженерия в вопросах обеспечения информационной безопасности // Криминологический журнал. 2024. № 4. С. 175–182. https://doi.org/10.24412/2687-0185-2024-4-175-182

Tokolov A.V. Social engineering in matters of ensuring information security // Criminological Journal. 2024. № 4. P. 175–182. https://doi.org/10.24412/2687-0185-2024-4-175-182

5. Брюханов В.А., Грызунов В.В., Шестаков А.В. Выявление проблем информационной безопасности методом систематического обзора литературы // Вестник Санкт-Петерб. ун-та ГПС МЧС России. 2024. № 1. С. 104. https://doi.org/10.61260/2218-130X-2024-1-104-122

Bryukhanov V.A., Gryuzunov V.V., Shestakov A.V. Identification of information security problems by the method of systematic literature review // Bulletin of the Saint Petersburg University of the State Fire Service of the Ministry of Emergency Situations of Russia. 2024. № 1. P. 104. https://doi.org/10.61260/2218-130X-2024-1-104-122

6. Dalal N., Triggs B. Histograms of oriented gradients for human detection // 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05), San Diego, CA, USA. 2005. Т. 1. С. 886–893. https://doi.org/ 10.1109/CVPR.2005.177

7. Ojala T., Valkealahti K., Oja E., Pietikäinen M. Texture discrimination with multidimensional distributions of signed gray-level differences // Pattern Recognition. 2001. V. 34. № 3. P. 727–739. https://doi.org/ 10.1016/S0031-3203(00)00010-8

8. Lowe D.G. Distinctive image features from scale-invariant keypoints // International Journal of Computer Vision. 2004. V. 60. № 2. P. 91–110. https://doi.org/10.1023/B:VISI.0000029664.99615.94

9. Lo T.W.R., Siebert J.P. SIFT keypoint descriptors for range image analysis // Annals of the BMVA. 2008. V. 2008. № 3. P. 1–18. Electronic copy available on the website URL: https://www.researchgate.net/publication/40704815_SIFT_Keypoint_Descriptors_for_Range_Image_Analysis

10. Шнейдеров Е.Н., Крез К.С., Стадник С.Л., Ракова Е.А. Методы и технологии обнаружения плагиата в изображениях // Актуальные проблемы современного общества, науки и образования: сборник статей II Международной научно-практической конференции. Пенза: МЦНС «Наука и просвещение», 2025. 252 с. Электронная копия доступна на сайте URL: https://naukaip.ru/wp-content/uploads/2025/08/MK-2430.pdf#page=29

Shneyderov E.N., Krez K.S., Stadnik S.L., Rakova E.A. Methods and technologies for detecting plagiarism in images // Actual problems of modern society, science and education: collection of articles of the II International Scientific and Practical Conference. Penza: ICNS “Science and Education”, 2025. 29 p. Electronic copy available on the website URL: https://naukaip.ru/wp-content/uploads/2025/08/MK-2430.pdf#page=29

11. Сухобоков А.А. Анализ эффективности сверточных нейронных сетей в задачах классификации // Новые направления развития приборостроения. Материалы 17-й Международной научно-технической конференции молодых ученых и студентов. Минск, 17–19 апреля 2024 г. Минск: БНТУ, 2024. С. 136–137.

Sukhobokov A. A. Analysis of the effectiveness of convolutional neural networks in classification tasks. New directions in the development of instrument making: materials of the 17th International Scientific and Technical Conference. Minsk: BNTU, 2024.P. 136–137.

12. Орлов П.А., Лаптев В.В., Иванов В.М. К вопросу о применении систем ай-трекинга // Информатика, телекоммуникации и управление. 2014. № 5 (205). С. 82–92. Электронная копия доступна на сайте URL: https://www.mathnet.ru/php/archive.phtml?wshow=paper&jrnid=ntitu&paperid=61&option_lang=rus

Orlov P.A., Laptev V.V., Ivanov V.M. On the issue of using eye-tracking systems // Computer Science, telecommunications and management. 2014. № 5 (205). P. 82–92. Electronic copy available on the website URL: https://www.mathnet.ru/php/archive.phtml?wshow=paper&jrnid=ntitu&paperid=61&option_lang=rus

13. Кашапова Э.Р., Рыжкова М.В. Когнитивные искажения и их влияние на поведение индивида // Вестник Томского государственного университета. Экономика. 2015. № 2 (30). С. 15–26. https://doi.org/10.17223/19988648/30/2

Kashapova E.R., Ryzhkova M.V. Cognitive distortions and their influence on individual behavior // Bulletin of Tomsk State University. Economy. 2015. № 2(30). P. 15–26. https://doi.org/10.17223/19988648/30/2 14. Arnold V., Collier P.A., Leech S.A., Sutton S.G. The effect of experience and complexity on order and recency bias in decision making by professional accountants // Accounting & Finance. 2000. V. 40. № 2. P. 109–134. https://doi.org/10.1111/1467-629X.00039